電子觸摸屏讀票機(jī)（Electronic Touchscreen）
原理：選民直接在觸摸屏上選擇候選人，機(jī)器實(shí)時(shí)記錄數(shù)據(jù)并生成電子選票。
特點(diǎn)：
操作直觀，減少人工誤差，但依賴電力和系統(tǒng)穩(wěn)定性。
存在黑客攻擊或系統(tǒng)故障風(fēng)險(xiǎn)，需配合紙質(zhì)備份（如 “選民驗(yàn)證紙質(zhì)審計(jì)軌跡” VVPAT）。
應(yīng)用場景：美國部分州、巴西等電子化選舉場景。
特征提取與判斷：識別選民的選擇意圖
根據(jù)選票標(biāo)記類型（填涂、勾選、手寫符號等），算法采用不同的特征提取策略：
（1）填涂標(biāo)記識別（常見場景）
面積占比法：計(jì)算填涂框內(nèi)黑色像素占比，超過閾值（如 30%-50%）則判定為有效選擇。
例：選民使用 2B 鉛筆填涂候選人 A 的方框，掃描后該區(qū)域黑色像素占比達(dá) 45%，算法判定為有效投票。
邊緣檢測法：通過 Canny 或 Sobel 算子檢測填涂區(qū)域的邊緣輪廓，與標(biāo)準(zhǔn)填涂形狀（如矩形、圓形）比對，排除不規(guī)則標(biāo)記（如筆尖打滑形成的短線）。
濃度梯度分析：填涂越均勻的區(qū)域，灰度值分布越集中，算法可通過統(tǒng)計(jì)像素灰度方差來區(qū)分 “認(rèn)真填涂” 與 “輕微觸碰”。
（2）勾選或手寫符號識別
形態(tài)學(xué)分析：通過膨脹、腐蝕等形態(tài)學(xué)運(yùn)算，將勾選符號（√）或手寫標(biāo)記（如 “○”）轉(zhuǎn)換為標(biāo)準(zhǔn)形狀，再與預(yù)設(shè)模板匹配。
方向特征提取：對于斜線標(biāo)記（如 “/”），計(jì)算像素分布的梯度方向，判斷是否符合 “勾選” 的典型角度（如 45° 或 135°）。
（3）異常標(biāo)記檢測
多選判定：同一候選區(qū)域內(nèi)檢測到多個(gè)標(biāo)記（如同時(shí)填涂兩個(gè)候選人框），或單票標(biāo)記數(shù)超過規(guī)定（如總統(tǒng)選舉多選 1 人），則判定為無效票。
空白票識別：所有候選區(qū)域標(biāo)記面積均低于閾值，判定為未投票。
4. 結(jié)果驗(yàn)證與輸出：確保計(jì)數(shù)準(zhǔn)確性
重復(fù)校驗(yàn)：對關(guān)鍵標(biāo)記區(qū)域進(jìn)行多次掃描（如兩次獨(dú)立圖像采集），結(jié)果一致才確認(rèn)有效。
人工復(fù)核接口：對算法判定存疑的選票（如填涂面積接近閾值、標(biāo)記形狀模糊），生成圖像供選舉工作人員人工審核（如美國部分州要求對 “爭議票” 進(jìn)行人工查驗(yàn)）。
數(shù)據(jù)輸出：將識別結(jié)果轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)（如候選人 ID、得票數(shù)），同步至中央數(shù)據(jù)庫或打印紙質(zhì)統(tǒng)計(jì)表。
典型技術(shù)挑戰(zhàn)與解決方案
挑戰(zhàn)場景 技術(shù)應(yīng)對措施
不同墨水的反光差異 - 采用多光譜光源（如紅光 + 紅外光），針對不同墨水（鉛筆、藍(lán)黑墨水、熒光筆）調(diào)整檢測波長。
- 機(jī)器學(xué)習(xí)模型訓(xùn)練：用歷史數(shù)據(jù)訓(xùn)練分類器，區(qū)分不同墨水材質(zhì)的標(biāo)記。
選票折疊或污漬干擾 - 圖像修復(fù)算法：通過插值法填充折疊造成的圖像缺失區(qū)域。
- 污漬識別模型：用深度學(xué)習(xí)區(qū)分 “人為標(biāo)記” 與 “自然污漬”（如咖啡漬形狀通常更不規(guī)則）。
非標(biāo)準(zhǔn)填涂（如超框、輕描） - 彈性閾值設(shè)定：根據(jù)填涂中心位置，允許標(biāo)記超出框線一定范圍（如框線外 5 像素內(nèi)仍算有效）。
- 概率化判定：結(jié)合填涂位置、面積、濃度等多維度特征，給出 “有效概率”（如 80% 概率為有效標(biāo)記），而非非黑即白的判斷。
選票格式變更（如新版選票） - 動態(tài)模板配置：允許管理員導(dǎo)入新選票模板，自動更新 ROI 區(qū)域坐標(biāo)與標(biāo)記規(guī)則，無需修改底層算法。
軟件算法：從識別精度到防篡改機(jī)制
1. 多重校驗(yàn)算法架構(gòu)
重復(fù)掃描比對：對每張選票進(jìn)行至少 2 次獨(dú)立掃描（間隔 50ms），比對兩次圖像的像素差異，若標(biāo)記區(qū)域灰度值偏差超過 15%，則觸發(fā)第三次掃描并人工介入（如日本選舉法要求對爭議票進(jìn)行三次掃描）。
多特征融合判斷：結(jié)合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權(quán)投票機(jī)制（如面積占比權(quán)重 40%+ 邊緣匹配度權(quán)重 30%+ 濃度均勻性權(quán)重 30%），避免單一特征誤判（例：某區(qū)域面積達(dá)標(biāo)但邊緣鋸齒狀，可能被判為 “無意涂抹”）。
機(jī)器學(xué)習(xí)模型迭代：利用歷史選舉的有效 / 無效票數(shù)據(jù)（如美國 EAC 公開的選票數(shù)據(jù)集）訓(xùn)練 CNN 模型，對非標(biāo)準(zhǔn)標(biāo)記（如超框填涂、輕描標(biāo)記）的識別準(zhǔn)確率提升至 99.2% 以上。
2. 防篡改與數(shù)據(jù)完整性保護(hù)
哈希值校驗(yàn)：對每張選票的掃描圖像生成哈希值（如 SHA-256），存儲于區(qū)塊鏈節(jié)點(diǎn)或加密數(shù)據(jù)庫，任何圖像修改都會導(dǎo)致哈希值變更，可實(shí)時(shí)檢測數(shù)據(jù)篡改（如德國部分州采用區(qū)塊鏈存證選票圖像）。
軟件版本控制：讀票機(jī)操作系統(tǒng)與識別算法采用簽名固件更新機(jī)制，僅允許通過官方渠道推送的版本（附帶數(shù)字證書）安裝，防止惡意程序植入（如 2018 年美國佛羅里達(dá)州選舉前，對所有讀票機(jī)進(jìn)行固件哈希值比對，攔截 3 臺異常設(shè)備）。
